طویل مختصر مدت کی یادداشت (LSTM)

لانگ شارٹ ٹرم میموری (LSTM) ریکرنٹ نیورل نیٹ ورک (RNN) کی ایک قسم ہے جو ڈیٹا میں عارضی انحصار کو ماڈل کرنے کے لیے استعمال ہوتی ہے۔ خاص طور پر، یہ ماضی کے واقعات یا پہلے مشاہدہ کیے گئے اوقات سے انحصار کو "یاد" کر سکتا ہے۔ یہ بہت سے ڈومینز میں بڑے پیمانے پر استعمال ہوتا ہے، جیسے کہ قدرتی زبان کی پروسیسنگ، مشینی ترجمہ، تصویر کیپشننگ، اور تقریر کی شناخت۔

ایک LSTM نیٹ ورک کی ایک قسم ہے جو خاص طور پر کمپیوٹر کو معلومات کو زیادہ دیر تک یاد رکھنے میں مدد کرنے کے لیے ڈیزائن کیا گیا ہے جو عام طور پر بار بار چلنے والے نیورل نیٹ ورک کے ساتھ ممکن ہوتا ہے۔ طویل قلیل مدتی میموری ماڈل "خلیات" کا استعمال کرتے ہوئے کام کرتا ہے جو طویل عرصے تک معلومات کو ذخیرہ کرتے ہیں۔ جب کسی نئے ان پٹ کا پتہ چل جاتا ہے، نئے خلیے بنائے جاتے ہیں جو موجودہ خلیات کے ساتھ جڑتے ہیں۔ اس کے ساتھ، نئے خلیے موجودہ خلیات کے اندر ذخیرہ شدہ کچھ معلومات کو "بھولنے" کے قابل ہوتے ہیں، جس سے نیٹ ورک کو کچھ سیکھنے کو "بھولنے" کی اجازت ملتی ہے۔

ایل ایس ٹی ایم کے اہم اجزاء میموری سیلز، فراموش گیٹس اور ان پٹ گیٹس ہیں۔ یادداشت کے خلیے طویل عرصے تک معلومات کو ذخیرہ کرنے کے ذمہ دار ہیں، اور بھولنے اور ان پٹ کے دروازے یہ فیصلہ کرتے ہیں کہ خلیات میں کون سی معلومات ذخیرہ کی جانی چاہیے یا نہیں۔ یہ اجزاء وہ ہیں جو LSTM نیٹ ورکس کو ماضی کو "یاد رکھنے" کے قابل بناتے ہیں جبکہ نئے ان پٹ کو بھی مدنظر رکھتے ہیں۔

LSTMs متعدد ایپلی کیشنز میں ایک ضروری ٹول ہیں، بشمول قدرتی زبان کی پروسیسنگ اور تصویر کی شناخت۔ وہ پیشگی معلومات کو مدنظر رکھنے کے قابل ہیں اور ان کا استعمال زیر نگرانی اور غیر زیر نگرانی دونوں طرح کی تعلیم میں کیا جا سکتا ہے۔ ان کے استعمال کی حد اسٹاک کی قیمتوں کی پیشن گوئی اور زبان کے ترجمہ سے لے کر خود مختار ڈرائیونگ اور ویڈیو پلے بیک تک ہے۔

مجموعی طور پر، ایل ایس ٹی ایم نیٹ ورک مختلف قسم کی ایپلی کیشنز کے لیے انتہائی موثر نیورل نیٹ ورکس ہیں کیونکہ ان کی معلومات کو طویل عرصے تک ذخیرہ کرنے اور نئے ان پٹ کو روایتی ریکرنٹ نیورل نیٹ ورکس کے مقابلے میں زیادہ موثر طریقے سے پروسیس کرنے کی صلاحیت ہے۔